DG-MVP：基于点云多视角的 3D 域泛化分类方法
计算机视觉与模式识别
2025-04-18 v1
摘要
深度神经网络在 3D 点云分类中取得了显著的成功，然而这依赖于大规模带注释的点云数据集，而这些数据集的构建工作量很大。相较于使用激光雷达传感器获取数据后进行标注， 从 CAD 模型中采样点云相对更容易，但来自 CAD 模型的数据具有规整性， 不会出现遮挡和缺失点的问题，而这两种现象在激光雷达数据中非常常见， 从而导致了较大的域间偏移。因此， 发展能够在不同点云域之间有效泛化的方法至关重要。%本文聚焦于 3D 点云域泛化问题。现有的 3D 域泛化方法采用基于点的骨干网络提取点云特征。然而， 通过分析基于点的特征提取方法的点使用情况，并观察来自不同域的点云几何结构， 我们发现基于点的 methods 会通过最大池化操作丢弃大量点特征。这在考虑到域泛化比监督学习更具挑战性的事实以及点云本身受到缺失点和遮挡影响的情况下， 这是一种重大的浪费。为解决这些问题， 我们提出了一种用于 3D 点云域泛化的新方法， 能够泛化到未见过的点云域。我们的方法利用 3D 点云的多个 2D 投影来缓解缺失点问题， 并采用一种简单而有效的基于卷积的模型进行特征提取。在 PointDA-10 和 Sim-to-Real 框架上的实验结果表明， 我们所提出的方法有效， 并能够良好地从合成域迁移到真实世界域。
引用
@article{arxiv.2504.12456,
title = {DG-MVP: 3D Domain Generalization via Multiple Views of Point Clouds for Classification},
author = {Huantao Ren and Minmin Yang and Senem Velipasalar},
journal= {arXiv preprint arXiv:2504.12456},
year = {2025}
}